Ce cours est un TD de mise en pratique de data science/visualisation. Pour ce faire, nous utiliserons un langage interprété de haut niveau statistique nommé R. Les différents points abordés durant ces 15 heures de cours sont :

• Extraction et manipulation des données (data mining)
• Représentations graphiques (data visualisation)
• Valorisations de ces données par le biais de méthodes statistiques et de visualisations
• Représentations graphiques interactives (html widget, plotly …)
• Shiny et R markdown création d’application et de rapport interactif

https://laurentpolitis.github.io/FIN406_2017/docs/index.html#themes-abordesrst

Evaluation :

• présentation de vos résultats en équipe d’un sujet de data science en lien avec votre sujet de mémoire
• script R de data mining et de data visualisation
• Questionnaire (devoir sur table)

http://laurentpolitis.github.io/Data_Viz_Fin403/Cours_20_avril.html

Les 3 premières heures seront consacrées à une introduction sur la data science et des rappels sur R

• Définition et cadre

Extraction et manipulation de données (data mining)

• Principe de base de la data visualisation (infographie)

• Rappels sur R

  • Objets R (variable, programme et fonction)
  • importer des données depuis le web
  • graphiques simples

#install.packages(c("tm", "SnowballC", "wordcloud", "RColorBrewer", "RCurl", "XML"))
source('http://www.sthda.com/upload/rquery_wordcloud.r')
res<-rquery.wordcloud("https://www.r-bloggers.com/", type ="url", lang = "english",excludeWords =tolower(c(month.name,"the","and","you","|")))

https://fr.wikipedia.org/wiki/Big_data

https://www.seagate.com/fr/fr/our-story/data-age-2025

\[ 1 Zo \simeq 10^{12} Go \]

De 3500 avant J.C, jusqu’à l’an 2000 l’Homme a accumulé \(5\,000\,000\,000 Go \simeq 0.005 Zo\). En 2025, les projections annonce \(40 Zo\)

“Big data is a term that describes large volumes of high velocity, complex and variable data that require advanced techniques and technologies to enable the capture, storage, distribution, management, and analysis of the information.”

TechAmerica Foundation’s Federal Big Data Commission, 2012

library(readr)
library(ggplot2)
library(ggthemes)
multiTimeline <- read_csv("data/multiTimeline.csv",skip = 2)
multiTimeline$date <- paste0(multiTimeline$Mois,"-15")
ggplot2::ggplot(multiTimeline,aes(as.Date(date),multiTimeline$`Big data: (Dans tous les pays)`)) + geom_line(size=1) +
  geom_smooth(se = FALSE)+ theme_igray()+
  labs(x="Date",y="Recherche en %", title="Big Data",subtitle="Fréquence des recherches du mot Big Data depuis 2004",caption="https://trends.google.com/trends/explore?date=all&q=Big%20data")

https://laurentpolitis.github.io/FIN406_2017/docs/intro.html

Liens pour installer R

https://jjallaire.shinyapps.io/learnr-tutorial-00-setup/

https://laurentpolitis.github.io/FIN406_2017/docs/intro.html#pourquoi-r

Définition

• communiquer des données de façon visuelle

• 

• transformer des données en information

• résultats graphiques clairs et compréhensibles

• une des premières data visualisation

• http://esri.github.io/wind-js/ SIG

• https://showyourstripes.info/ séries temporelles

• http://www.nytimes.com/interactive/2015/03/19/upshot/3d-yield-curve-economic-growth.html 3D

• mémoire courte quelques secondes d’attention ou de réflexion

• un max de \(\simeq 11\) types de couleurs ou de styles différents facilement distinguables

• notion de perspective données et vérités

• source “How to Lie With Statistics”, 1954, Huff

source “How to Lie With Statistics”, 1954, Huff

sous-jacentes déterminent l’allure du graphique et influence le lecteur

ggplot(df,aes(x=x,y=y,colour=test,size=test))+geom_text(aes(label=lettres))+labs(colour="",size="")+scale_color_manual(values = c("red","black"))+scale_size_manual(values = c(6.5,4))

• Réponse : 9

• Open source & Gratuit

• Facile à installer sur les systèmes d’exploitations Linux, Windows et Apple

• Une très grosse communauté de développeurs et d’utilisateurs

• Facile à utiliser pour des non-programmeurs pour des calculs statistiques

• Possibilité de créer des illustrations, applications web et même la présentation que vous lisez actuellement

  

  densité des coureurs à Paris utilisant une montre connecté

Sur Windows

http://cran.r-project.org/bin/windows/base/

télécharger la dernière version de R en fonction de votre ordinateur 32 bit ou 64 bit (pour le savoir aller sur paramétres>système>information système)

Sur Apple

http://cran.r-project.org/bin/macosx/ et télécharger la dernières version de R

Pour installer Rstudio

http://www.rstudio.com/ide/ pour télécharger la dernières version et installer l’environnement de travail R studio en suivant les indications du site

• savoir demander de l’aide une qualité essentielle d’un programmeur

  • stack overflow forum en ligne
  • suivre des exemples R blogger, git_hub …
  • commandes en console R ?? et ?
  • utiliser un environnement de travail intégré (IDE) comme Rstudio (facilite la programmation, auto indentation, variables historiques, etc …)

• créer un fichier texte hello.R
• écrire votre premier programme en R

#  le Diése sert à commenter le reste de la la ligne  
# tout ce qui est écrit ici ne sera pas exécuté par R  
# indiquer le but du programme ou toutes autres informations  
# Nom  et Prénom dates 
a <- "hello World ! "
b = pi
print(a)
print(paste("pi is equal to",b))

A l’aide de la console R :

source("cours_data_visualisation/hello.R")

## [1] "hello World ! "

Ce qui a changé

• Ajout de la commande lancée dans l’historique
• Ajout des variables a et b dans l’environnement R (commande ls() pour lister les objets)

class(a)

## [1] "character"

b <- 1 
class(b)

## [1] "numeric"

#vecteurs
c <- c(1,2,3,4)
d <- c("a","b","c","d")
e <- c("a"=1,"b"=2,"c"=3,"d"=4)
f <- c(1,"a","d",4)

length(x = c)

## [1] 4

names(x=e)

## [1] "a" "b" "c" "d"

# accéder à un élement
c[1]

## [1] 1

e["a"]

## a 
## 1

# ou plusieurs
c[1:2]

## [1] 1 2

e[c("a","c")]

## a c 
## 1 3

c = [1,2,3,4]
len(c)

## 4

ff<-factor(1:10)

f <- factor(1:10,levels = seq(from = 10,to = 1,by = -1))

ff

##  [1] 1  2  3  4  5  6  7  8  9  10
## Levels: 1 2 3 4 5 6 7 8 9 10

f

##  [1] 1  2  3  4  5  6  7  8  9  10
## Levels: 10 9 8 7 6 5 4 3 2 1

as.numeric(as.character(ff))

##  [1]  1  2  3  4  5  6  7  8  9 10

as.numeric(ff)

##  [1]  1  2  3  4  5  6  7  8  9 10

class(c)

## [1] "numeric"

class(d)

## [1] "character"

class(e)

## [1] "numeric"

class(f)

## [1] "factor"

attention f ne pas mélanger les types de variables

f.m <- cbind(f)
f.m

##        f
##  [1,] 10
##  [2,]  9
##  [3,]  8
##  [4,]  7
##  [5,]  6
##  [6,]  5
##  [7,]  4
##  [8,]  3
##  [9,]  2
## [10,]  1

c.m <- cbind(c)
c.m

##      c
## [1,] 1
## [2,] 2
## [3,] 3
## [4,] 4

m.m <- cbind(f.m,f.m)
m.m

##        f  f
##  [1,] 10 10
##  [2,]  9  9
##  [3,]  8  8
##  [4,]  7  7
##  [5,]  6  6
##  [6,]  5  5
##  [7,]  4  4
##  [8,]  3  3
##  [9,]  2  2
## [10,]  1  1

n.m <- cbind(c.m,c.m)
n.m

##      c c
## [1,] 1 1
## [2,] 2 2
## [3,] 3 3
## [4,] 4 4

mat <- matrix(data = rep(c.m,3), ncol=3,nrow = 4)
mat

##      [,1] [,2] [,3]
## [1,]    1    1    1
## [2,]    2    2    2
## [3,]    3    3    3
## [4,]    4    4    4

df = data.frame("numeriques"= 1:4, lettres=c("A","B","C","D"),stringsAsFactors = F)
df 

##   numeriques lettres
## 1          1       A
## 2          2       B
## 3          3       C
## 4          4       D

class(mat[,1])

## [1] "numeric"

class(df[,"numeriques"])

## [1] "integer"

class(df[,"lettres"])

## [1] "character"

Quelle est l’avantange d’une matrice par rapport à une data frame ?

as.matrix(df)

##      numeriques lettres
## [1,] "1"        "A"    
## [2,] "2"        "B"    
## [3,] "3"        "C"    
## [4,] "4"        "D"

as.numeric(f)

##  [1] 10  9  8  7  6  5  4  3  2  1

1==0

## [1] FALSE

1>=0

## [1] TRUE

1<=0

## [1] FALSE

"a" == "b"

## [1] FALSE

les commandes matrix(), cbind(), data.frame() sont des fonctions codées

Définition

• un objet R
• des commandes R écrites dans un fichier qui effectuent une tâche prédéfinie
• permet de faire automatiquement la même tâche plusieurs fois
• garder un programme plus lisible
• un gain de temps à long terme

écrire le même code que précédemment (page 27 de la présentation) sous forme de fonction dans un nouveau fichier hello_fun.R

hello <-function(texte=NULL){   # argument ou données d'entrées

  #code manipulant les données d'entrée
 
return(texte)  #  return  renvoie le résultat de la fonction  
}
 source("cours_data_visualisation/hello_fun.R")

 hello("hello world !")

## [1] "hello world !"

Un petit ajout le nom de l’utilisateur

hello <-function(texte=NULL){  
  #on souhaite coller le nom de l'utilisateur à "hello world"
  # on récupére le nom de l'utilisateur 
 nom <- Sys.getenv("USERNAME") # fonction trouvée via une recherche web
   # on colle le nom de l'utilisateur
 texte <- paste(texte,"and",nom)
 
return(texte)  #  return  renvoie le résultat de la fonction  
}

 # source("cours_data_visualisation/hello_fun2.R")

 hello("hello world")

## [1] "hello world and Laurent"

Vous avez écrit une fonction comme les fonctions de base de R, comme par exemple cor() qui calcule la corrélation des données de deux vecteurs ou des données contenues dans une matrice

nrow

## function (x) 
## dim(x)[1L]
## <bytecode: 0x000000001464c950>
## <environment: namespace:base>

?cor

## starting httpd help server ... done

cor(rnorm(n = 100,mean = 1,sd = 0.25),rnorm(n = 100,mean = 1,sd = 25))

## [1] -0.07625787

Calculer \(n!\) avec \(n=10\).

factorielle <-1
for (i in seq(1, 10)){
  factorielle <- factorielle*i
}
print(factorielle)

## [1] 3628800

\[ n! = \prod_{1\leqslant i\leqslant n} i = 1\times 2\times 3\times \ldots \times (n-1) \times n. \]

On vérifie avec la fonction déjà codée.

\[ \Gamma(n) = (n-1)!\qquad n \in \mathbb{N}_0 \]

factorial(10)

## [1] 3628800

Importer des données via git_hub autrefois quandl

Par exemple l’évolution de la population à Angers

https://raw.githubusercontent.com/LaurentPolitis/Cours_FIN403/master/Cours_1/data/angers_pop.csv

• Télécharger les données sous format .csv
• ouvrir les données via R méthode graphique

Import Dataset > from Local File

Puis vérifier que les données sont sous le bon format

#install.packages("Quandl")
# library(Quandl)
# Quandl("CITYPOP/CITY_ANGERSPAYFRANCE")
library(readr)

angers_pop <- read_delim("https://raw.githubusercontent.com/LaurentPolitis/Cours_FIN403/master/Cours_1/data/angers_pop.csv", "\t", escape_double = FALSE, trim_ws = TRUE)

## Parsed with column specification:
## cols(
##   Year = col_date(format = ""),
##   Population = col_number()
## )

class(angers_pop)

## [1] "spec_tbl_df" "tbl_df"      "tbl"         "data.frame"

INSEE.29_000067684_A <- angers_pop
View(INSEE.29_000067684_A)

plot(x = as.Date(INSEE.29_000067684_A$Year),y=
       INSEE.29_000067684_A$Population)

plot(x = as.Date(INSEE.29_000067684_A$Year),y=
       INSEE.29_000067684_A$Population,type = "l")

plot(x = as.Date(INSEE.29_000067684_A$Year),y=
       INSEE.29_000067684_A$Population,type = "b")

plot(x = as.Date(INSEE.29_000067684_A$Year),y=
       INSEE.29_000067684_A$Population,type = "l",xlab ="Dates" ,
     ylab="populations")

C’était l’outil classique de création de graphe de R “plot()”. Le prochain cours je vous présenterais “la grammaire graphique” avec ggplot2.

Les graphiques que nous allons créer aujourd’hui sont :

• Les boites à moustaches
• Les histogrammes
• Les courbes de densité
• Nuage de points, séries temporelles et graphiques diagnostics de modélisation statistiques…

Les données utilisées sont la population des communes de 1968 à 2012 :

http://www.insee.fr/fr/themes/detail.asp?reg_id=99&ref_id=base-cc-serie-historique

Une fonction sert à les nettoyer

# setwd("~/data-visualisationFIN403/") # pour se placer dans le répertoire courant 

source("https://raw.githubusercontent.com/LaurentPolitis/Cours_FIN403/master/Cours_1/cours_data_visualisation/data_mining_communes.R") # charge la fonction data_import()

## Parsed with column specification:
## cols(
##   .default = col_double(),
##   LIBGEO = col_character()
## )

## See spec(...) for full column specifications.

## Warning: 720 parsing failures.
##   row    col               expected actual                                                                                                file
## 11156 CODGEO no trailing characters   A001 'https://raw.githubusercontent.com/LaurentPolitis/Data_Viz_Fin403/master/data/population_ville.csv'
## 11156 DEP    no trailing characters   A    'https://raw.githubusercontent.com/LaurentPolitis/Data_Viz_Fin403/master/data/population_ville.csv'
## 11157 CODGEO no trailing characters   A004 'https://raw.githubusercontent.com/LaurentPolitis/Data_Viz_Fin403/master/data/population_ville.csv'
## 11157 DEP    no trailing characters   A    'https://raw.githubusercontent.com/LaurentPolitis/Data_Viz_Fin403/master/data/population_ville.csv'
## 11158 CODGEO no trailing characters   A006 'https://raw.githubusercontent.com/LaurentPolitis/Data_Viz_Fin403/master/data/population_ville.csv'
## ..... ...... ...................... ...... ...................................................................................................
## See problems(...) for more details.

## Parsed with column specification:
## cols(
##   CODGEO = col_character(),
##   `Code géographique` = col_character(),
##   `Code du département suivi du numéro de commune ou du numéro d'arrondissement municipal` = col_character()
## )

## Parsed with column specification:
## cols(
##   new_code = col_character(),
##   new_name = col_character(),
##   former_code = col_character(),
##   former_name = col_character()
## )

View(population_ville)

Une librairie R de visualisation de données développée par Hadley Wickham en 2005 selon les principes énoncés par Leland Wilkinson dans son ouvrage The Grammar of Graphics

• Plot = data + Aesthetics + Geometry
• Aesthetics (aes) : les couleurs, les tailles, les formes, les labels mais aussi les données en x et en y
• Geometry (geom_ …) va regrouper les options concernant les types de graphique (line, point, histogramme, heatmap, boxplot, etc.)
• peut-être stocké dans l’objet

#install.packages(ggplot2)
library(ggplot2)

• moyen rapide de résumer une série statistique quantitative
• inventée en 1977 par John Tukey

library(ggplot2)
ggplot(population_ville) + geom_boxplot(aes(x="France",y= `Population en 2012 (princ)` ))

ggplot(population_ville) + geom_boxplot(aes(`Population en 2012 (princ)`,x="ville"))+
 scale_y_sqrt()

ggplot(population_ville) + geom_boxplot(aes(`Population en 2012 (princ)`,x="ville")) +
 scale_y_log10()

ggplot(population_ville) + geom_boxplot(aes(y=`Population en 2012 (princ)`,x="France"))+ 
scale_y_log10() + geom_point(data= population_ville[population_ville$Communes=="Angers",],
                             aes(y = `Population en 2012 (princ)` ,x='France'),color="red",size=4)

boxplot(population_ville$`Population en 2012 (princ)`,log="y", ylim=c(100,100000000))

ggplot(population_ville) + geom_boxplot(aes(y=(`Population en 2012 (princ)`),x=Region,group=Region))+
  scale_y_log10() + coord_flip()

population_ville$dom_tom = population_ville$Region %in% 
  c("Martinique","Guyane","Guadeloupe","Martinique","La Réunion")
p = ggplot(population_ville,aes(y=`Population en 2012 (princ)`,x=Region,group=Region)) +  scale_y_log10() + 
  coord_flip()
 p+ geom_boxplot(aes(fill=dom_tom))

p + geom_violin()

p  +geom_jitter(alpha=0.1) + geom_boxplot(alpha=0.7)

ggplot(population_ville) + geom_density(aes(x = `Population en 2012 (princ)`)) 

ggplot(population_ville) + geom_density(aes(x = `Population en 2012 (princ)`)) +scale_x_log10()

ggplot(population_ville) + geom_density(aes(x = `Population en 2012 (princ)`,
                                            fill="kernel density \n estimation")) +
  scale_x_log10() +facet_wrap(facets=~Region)

ggplot(population_ville,aes(x=`Population en 2012 (princ)`)) + geom_histogram(binwidth = 10000)

ggplot(population_ville[population_ville$Region=="Bretagne",],aes(x=`Population en 2012 (princ)`,fill=Communes)) +
  geom_histogram(binwidth = 1000) +
  scale_y_sqrt()+facet_wrap(facets = ~Communes)

library(reshape2)
tmp=population_ville[population_ville$Region=="Bretagne",c(4:10)]
tmp.m=melt(tmp)
tmp.m$variable=as.numeric(substr(x = tmp.m$variable,15,18))
colnames(tmp.m)[1] = "Communes"
ggplot(tmp.m) + geom_line(aes(x=as.Date(paste(tmp.m$variable,"-01-01",sep="")),y=value,group=Communes))+scale_y_log10()+labs(x="Date")

library(reshape2)
tmp=population_ville[population_ville$Region=="Bretagne",c(4:10)]
tmp.m=melt(tmp)
tmp.m$variable=as.numeric(substr(x = tmp.m$variable,15,18))
colnames(tmp.m)[1] = "Communes"
ggplot(tmp.m) + geom_smooth(aes(x=as.Date(paste(tmp.m$variable,"-01-01",sep="")),y=value,group=Communes),color="black")+scale_y_log10()+labs(x="Date")

tmp.m$Vannes=tmp.m$Communes=="Vannes" #"#CFCDCD", "#FFFFFF"

tmp.m=tmp.m[tmp.m$value>15000,]

ggplot(tmp.m) + geom_line(aes(x=as.Date(paste(tmp.m$variable,"-01-01",sep="")),
                              y=value,group=Communes,color=Vannes,size=Vannes)
                         )+

scale_color_manual(values=c("#5E5C57", "red"))+
  scale_size_manual(values=c(1, 3))+
  geom_text(data=tmp.m[tmp.m$variable==2012,],aes(x = as.Date(paste(2012,"-01-01",sep=""))
,y=(value),label=Communes))

## Warning: Use of `tmp.m$variable` is discouraged. Use `variable` instead.

ggplot(data = tmp.m[tmp.m$Communes=="Vannes",], aes(x = variable,  y =value)) +
  geom_point() +geom_smooth(se = F)

## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

ggplot(data = tmp.m[tmp.m$Communes=="Vannes",], aes(x = variable,  y =value)) +
  geom_point() +geom_smooth(method = "lm")

## `geom_smooth()` using formula 'y ~ x'